(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111450971.2 (22)申请日 2021.12.01 (71)申请人 盐城工学院 地址 224051 江苏省盐城市希望大道中路1 号 (72)发明人 潘磊　皋军　徐鹏　邵星　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 陈国强 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) G06F 119/12(2020.01) (54)发明名称 一种基于指数平滑和双向长短时记忆网络 机械轴承寿命预测方法 (57)摘要 本发明的一种基于指数平滑和双向长短时 记忆网络机械轴承寿命预测方法， 包括： 获取设 备的历史运行和维修数据， 并整理归档得到预处 理数据形式的设备数据； 对所述 设备数据进行数 据清洗和特征预处理， 得到处理后数据； 将所述 处理后数据平滑处理后输入训练好的Bi ‑LSTM， 得到输出结果， 即为机械轴承寿命预测结果。 该 方法将指数平滑和长短时记忆网络融合， 首先使 用改进的指数平滑方法对原始信号降噪处理， 然 后引入时间窗进行特征增强， 最后利用双向长短 期记忆网络进行数据回归， 实现对机械轴承剩余 寿命的高效预测。 该方法的平滑处理可以有效提 升Bi‑LSTM(双向长短时记 忆网络)的预测性能。 权利要求书2页 说明书3页 附图3页 CN 114091351 A 2022.02.25 CN 114091351 A 1.一种基于指数平滑和双向长短时记忆网络机械轴承寿命预测方法， 其特征在于， 包 括： 获取设备的历史运行和维修数据， 并整理归档得到预处 理数据形式的设备 数据； 对所述设备 数据进行 数据清洗和特 征预处理， 得到处 理后数据； 将所述处理后数据平滑处理后 输入训练好的Bi ‑LSTM， 得到输出结果， 即为机械轴承寿 命预测结果。 2.根据权利要求1所述的基于指数平滑和双向长短时记忆网络机械轴承寿命预测方 法， 其特征在于， 还 包括指数平 滑和Bi‑LSTM网络的训练方法： 将获取的设备历史运行和维修数据进行指数平滑 处理， 然后引入时间窗进行特特征增 强； 搭建Bi‑LSTM网络结构， 此网络结构包括依次连接的若干个Bi ‑LSTM和N个全连接层； 将样本数据划分为训练集和 测试集； 设置训练方案： 循环遍历训练集的次数、 每一批次训练的数量、 随机打乱、 优化器、 损失 函数和保存条件； 将所述训练集输入所述Bi ‑LSTM网络， 并根据训练方案进行训练， 得到初步训练模型； 3.根据权利要求2所述的基于指数平滑和双向长短时记忆网络机械轴承寿命预测方 法， 其特征在于， 所述指数平滑处理和每个Bi ‑LSTM块包括依次连接的单元、 BN层和ReLU激 活函数。 4.根据权利要求3所述的基于指数平滑和双向长短时记忆网络机械轴承寿命预测方 法， 其特征在于， 所述指数平滑处理采用Python数据分析库Pandas中提出的一种修正权重 的观测值计算方式， 即各项系数为指数函数的一般加权平均： 对于任一 给定α， 在计算yt时， 由于距离当前时刻较远的xt‑i权重较小， 对计算 的影响可忽略， 因此可 理解为近端一定范围s内的xt‑i起主要作用， 即{xt‑i|0≤i≤s ‑1}， 视s为平滑系数， α 与s关系 如下： 5.根据权利要求3所述的基于指数平滑和双向长短时记忆网络机械轴承寿命预测方 法， 其特征在于， 所述Bi ‑LSTM块的数 学变换式包括： ht＝f(w1xt+w2ht‑1) h′t＝f(w3xt+w5h′t+1) Ot＝g(w4ht+w6h′t) 其中： ht、 h′t分别是t时刻的前后传播层、 后向传播层的输 出； w1、 w3分别是输入层和后向 传播层的权值矩阵， w3、 w5分别是前向、 后向传播层到自身传播层的权值矩阵； w4、 w6分别为 前向和后向传播层到输出层的权值矩阵； Ot为最终输出门的输出值； 函数f( ·)表示细胞计 算过程； 函数g( ·)表示对前向、 后向传播结果进行拼接的函数。 所述BN层的计算包括： 权　利　要　求　书 1/2 页 2 CN 114091351 A 2其中， xp为第p批的输入， E[xp]为xp的平均值， Var[xp]为xp的标准差， γ和β 为自适应更 新的可学习参数， yp为BN层神经 元的输出。 6.根据权利要求3所述的基于指数平滑和双向长短时记忆网络机械轴承寿命预测方 法， 其特征在于， 所述ReLU激活函数的计算包括： 其中x为函数输入。权　利　要　求　书 2/2 页 3 CN 114091351 A 3